Examining the Difference in Human Behavior Between Virtual and Real-World Human-Robot Teaming
Oakland University(奥克兰大学);University of Michigan-Flint(密歇根大学弗林特分校);U.S. Army DEVCOM Ground Vehicle Systems Center (GVSC)(美国陆军DEVCOM地面车辆系统中心)
本研究通过混合方法比较虚拟与现实环境中人机团队协作的行为差异,发现工作负载显著不同,且策略、心理模型和信任类型存在差异。
2026-09-17 cs.HC cs.RO
AAAI SSS-22 Symposium on Closing the Assessment Loop: Communicating Proficiency and Intent in Human-Robot Teaming
拟议的研讨会重点是理解,建模和提高(a)从人类到机器人的沟通能力和(b)从人类到机器人的沟通意图的有效性。例如,机器人应该如何在新任务中传达预测的能力?它应该如何报告刚刚完成的任务的性能?机器人应该如何根据人类的意图和价值观调整其熟练程度标准?人工智能、机器人技术、HRI和认知科学领域的社区已经解决了相关问题,但对于评估熟练程度和基于意图的交互没有达成一致的标准。由于各种原因,这是人机交互的紧迫挑战。先前的工作表明,一个机器人,可以评估其性能可以改变人类的机器人和控制分配的决定。在机器人领域也有重要的证据表明,准确地设定人类的期望是至关重要的,特别是当熟练程度低于人类期望时。此外,熟练度评估取决于上下文和意图,人类队友可能会增加或减少性能标准,调整对风险和不确定性的容忍度,要求影响注意力分配的预测评估,或以其他方式重新评估或调整意图。
2022-04-05 cs.AI cs.RO
Toward human-centered shared autonomy AI paradigms for human-robot teaming in healthcare
University of Rhode Island(罗德岛大学)
针对医疗保健机器人独立决策难以适应动态用户需求的问题,提出一种基于以人为中心因素、供人类与AI智能体交互的自适应共享自主AI范式,以确保实时参与决策并避免伦理风险。
2024-07-24 cs.RO cs.SY eess.SY
HRI-SA: A Multimodal Dataset for Online Assessment of Human Situational Awareness during Remote Human-Robot Teaming
CSIRO Robotics(CSIRO机器人实验室);Monash Robotics(莫纳什大学机器人实验室)
本文提出HRI-SA数据集,用于评估远程人机协同中的人类情境意识,通过眼动、瞳孔直径等多模态数据,验证了通用眼动特征在检测感知情境意识延迟中的有效性。
2026-03-18 cs.HC cs.LG cs.MA
Improving Responsiveness to Robots for Tacit Human-Robot Interaction via Implicit and Naturalistic Team Status Projection
Arizona State University(亚利桑那州立大学)
流畅的人与人之间的团队合作通常以没有明确沟通的默契互动为特征。这是因为显性沟通,如语言话语和手势,本质上是中断的。另一方面,隐性互动需要团队情境意识(TSA)来促进,而TSA往往依赖于显性沟通来维持,这就产生了悖论。在本文中,我们考虑隐式和自然的团队状态投影默契的人机交互。内隐性最大限度地减少了干扰,而自然性减少了认知需求,它们共同提高了对机器人的响应能力。我们引入了一个新的过程,这样的团队状态投影通过虚拟阴影,或TPS。我们比较我们的方法与两个基线,使用显式投影维持TSA。通过人为因素研究的结果表明,TPS提供了一个更流畅的人机交互体验,显着提高人类对机器人在默契的团队场景,这表明更好的TSA的响应。参与者承认机器人实施TPS作为一个队友更容易接受和有利。同时,我们证明,TPS是可比的,有时更好,在保持准确的TSA的最佳性能基线
2023-01-24 cs.RO
Extended Reality as a Mediation Layer for Situated Human Control in Human-Robot Teaming
Coburg University of Applied Sciences and Arts(科堡应用科学与艺术大学);University of Cambridge(剑桥大学);University of Birmingham(伯明翰大学)
研究探讨扩展现实在人机协作中作为情境化人类控制中介层的作用,通过床边护理等场景阐述观点,确定四种中介功能和六个设计维度,为使机器人自主性在动态环境中更具操作性和问责性的XR系统规划研究议程。
2026-07-29 cs.AI cs.HC cs.RO
Human-Centered Shared Autonomy for Motor Planning, Learning, and Control Applications
Translational Neurorobotics Laboratory(转化神经机器人实验室);Department of Electrical, Computer, and Biomedical Engineering(电气、计算机与生物医学工程系);University of Rhode Island(罗德岛大学);Human-Centered AI (HCAI) Labs(以人为本的人工智能实验室)
本文综述以人为中心的共享自主性AI框架,涵盖运动规划、学习与控制,提出自适应共享自主性范式,并展望LLM与推理代理的未来方向。
2025-06-19 cs.HC cs.RO
From Small Talk to Rapport: Exploring Robot Self-Disclosure in Collaborative Tasks
Johns Hopkins University(约翰斯·霍普金斯大学)
本研究开发了LLM驱动的工业机械臂,采用低/高表露策略开展用户研究,发现低表露时用户自我表露更多、团队协作感更强,提示机器人自我表露并非越多越好,需考虑用户HRI经验。
2026-08-31 cs.RO
A Framework for Dynamic Situational Awareness in Human Robot Teams: An Interview Study
CSIRO(联邦科学与工业研究组织);Data61;Monash University(莫纳什大学)
该研究通过访谈16名有人机组队经验的参与者,提出解释人机团队中动态态势感知特性的框架,明确相关影响因素、低效问题及应对策略,为人机界面设计和高效人机团队构建提供参考。
2025-01-15 cs.HC cs.RO
Effect of Adaptive Communication Support on LLM-powered Human-Robot Collaboration
University of Southern California(南加州大学)
针对传统人机协作中固定通信方案限制适应性的问题,提出带多模态语言反馈的HRT-ML框架,通过协调器和管理器动态调整反馈频率与内容,实验表明其能提升复杂任务性能,但超主动反馈在LLM能力外会起反作用。
2025-02-11 cs.AI cs.HC cs.RO
Non Normalized Shared-Constraint Dynamic Games for Human-Robot Collaboration with Asymmetric Responsibility
University of California at Berkeley(加州大学伯克利分校)
本文提出非归一化的共享约束动态博弈框架,用于人机协作导航,通过滚动时域最优控制实现安全约束的不对称责任分配。
2025-12-09 cs.RO
Shared Autonomy in Web-based Human Robot Interaction
bits-pilani(皮拉尼比特斯学院(注:此处为常见简称,完整应为Birla Institute of Technology and Science, Pilani,中文通常译为“比特拉理工学院”或简称“皮拉尼BITS”,但根据原文直接提取“bits-pilani”))
在本文中,我们的目标是通过实现共享的自主权,通过Web界面,实现人与机器人的工作平衡。共享自主性将用户输入与机器人的自主能力相结合,从而提高了机器人的整体性能。在网页上仅向用户呈现相关信息降低了操作者的认知负荷。通过我们的网络界面,我们提供了一种机制,操作员直接使用显示的信息进行交互,通过应用点和点击范例。此外,我们提出了我们的想法,采用一个人-机器人相互适应的共享自治设置,通过我们的Web界面,有效的团队协作。
2020-02-19 cs.RO
Offline Risk-sensitive RL with Partial Observability to Enhance Performance in Human-Robot Teaming
ANITI;Fédération ENAC ISAE-SUPAERO ONERA(法国航空航天学校联盟-高等航空航天学院-法国航空航天研究院);Université de Toulouse(图卢兹大学)
本研究提出一种结合生理测量和模型不确定性的离线风险敏感部分可观测强化学习方法,用于人机团队中的自适应任务分配,实验表明其显著优于基线策略。
2024-02-08 cs.AI cs.HC cs.LG
A General Arbitration Model for Robust Human-Robot Shared Control with Multi-Source Uncertainty Modeling
Duke University(杜克大学);Colorado School of Mines(科罗拉多矿业学院)
遥操作中的共享控制充分利用了人和机器人的优势,在降低遥操作机器人的难度和提高任务性能方面具有很大的优势。共享控制中的一个基本问题是如何有效地将控制权分配给人和机器人。由于研究者主观地按照相互矛盾的原则来确定仲裁策略,导致了仲裁策略的不一致性。我们将这种不一致性归因于人-机器人系统中多资源不确定性的不可克服性。为了填补这一空白,我们开发了一个多源的不确定性模型,适用于各种类型的不确定性在现实世界中,然后一个通用的仲裁模型,综合融合的不确定性和调节仲裁权重分配给机器人代理。除了传统的宏观性能指标,我们引入了客观和定量的机器人的帮助和友好性的指标,评估辅助机器人的合作在微观和宏观层面。仿真和实验结果表明,新的仲裁模型比现有的策略更有效和友好,并对处理多源不确定性具有鲁棒性。有了这个新的仲裁模型,我们希望在实际和复杂的遥操作任务中越来越多地采用人机共享控制。
2020-03-11 cs.RO
Human-Robot Mutual Adaptation in Shared Autonomy
Carnegie Mellon University(卡内基梅隆大学);National University of Singapore(新加坡国立大学)
共享自主性将用户输入与机器人自主性相结合,以控制机器人并帮助用户完成任务。我们的工作旨在提高这样一个人-机器人团队的性能:机器人试图引导人类走向一个有效的策略,有时违背人类自己的偏好,同时仍然保持他的信任。我们通过一个原则性的人-机器人相互适应的形式主义来实现这一点。我们将人类的有界记忆适应模型集成到部分可观察的随机决策模型中,使机器人能够适应适应性强的人类。当人类适应性强时,机器人会引导人类采取一个好的策略,也许人类事先不知道。当人类固执而不适应时,机器人会遵从人类的偏好,以保持他们的信任。在共享自治设置中,与许多其他常见的人机协作设置不同,只有机器人的动作可以改变世界的物理状态,人类和机器人的目标并不完全可观察。我们解决这些挑战,并显示在人类受试者的实验中,提出的相互适应形式主义提高人类-机器人团队的性能,同时保持高水平的用户信任的机器人,相比,有机器人严格遵循参与者的偏好的常见方法。
2017-01-26 cs.RO
Providers-Clients-Robots: Framework for spatial-semantic planning for shared understanding in human-robot interaction
University of Michigan(密歇根大学)
本文开发了一种新的框架,称为提供者-客户-机器人(PCR),适用于社会辅助机器人,支持人类与机器人交互的共享理解的研究。供应商、客户和机器人共享可操作的直观环境表示,以创建最能满足各方综合需求的计划。这些计划是通过客户端和机器人之间的交互形成的,基于先前构建的多模态导航图。导航图形式的可解释环境表示在与客户端交互之前在提供者和机器人之间协作构建。我们开发了一个实现所提出的框架,自主地创建一个室内环境的空间语义表示。此外,我们开发了一个规划器,该规划器可以从供应商和客户的约束中获得,并动态规划对每个感兴趣区域的访问序列。评估结果表明,所提出的实现的PCR框架可以成功地制定计划,同时满足指定的时间预算和顺序约束,并优于贪婪的基线。
2022-06-21 cs.RO
Communicating Robot Conventions through Shared Autonomy
Virginia Tech(弗吉尼亚理工大学)
当人类控制机器人手臂时,这些机器人通常需要推断人类期望的任务。先前关于辅助远程操作和共享自主性的研究探索了机器人如何根据人类的操纵杆输入来确定所需的任务。为了执行这种推断,机器人依赖于操纵杆输入和离散任务之间的内部映射:例如,向左按压操纵杆表示人想要盘子,而向右按压操纵杆表示杯子。在人类理解机器人如何解释他们的输入之后,这种方法可以很好地工作-但是没有经验的用户仍然需要通过试验和错误来学习这些映射!在这里,我们认识到,机器人的任务和输入之间的映射是一个约定。机器人可以使用多种同样有效的约定:用途:与其被动地等待人类,我们引入了一种共享自治方法,机器人主动展示其选择的约定。在重复的交互中,机器人干预并夸大手臂的运动,以展示更有效的输入,同时也协助当前的任务。我们将这种方法与最先进的基线进行比较-用户必须自己识别约定-以及书面说明。我们的用户研究结果表明,修改机器人的行为,以揭示其公约优于基线,并减少了人类花在控制机器人的时间。点击这里观看我们的用户研究视频:https://youtu.be/jROTVOp469I
2022-03-03 cs.RO
I don't Want You to Die: A Shared Responsibility Framework for Safeguarding Child-Robot Companionship
University of South Carolina(南卡罗来纳大学);University of Cincinnati(辛辛那提大学);University of Wisconsin--Madison(威斯康星大学麦迪逊分校);University of South Florida(佛罗里达州立大学)
像Moxie这样的社交机器人旨在与儿童形成强烈的情感纽带,但它们的突然中断可能会给儿童带来重大的挣扎和痛苦。当这些服务结束时,所造成的伤害提出了一个复杂的问题,即当儿童的情感纽带被打破时,谁应该承担责任。通过对72名美国参与者进行定性调查,将Moxie关闭作为案例研究,我们的研究结果表明,机器人公司、父母、开发人员和政府都将责任视为共同的责任。然而,这些归因因政治意识形态和父母是否有孩子而异。参与者对机器人服务是否应该继续的看法是高度两极分化的;支持者提出了技术,财政和政府的连续性途径,而反对者则引用了商业现实和不健康的情感依赖风险。最终,这项研究通过详细说明责任如何分配和争议,为减轻机器人中断的情感伤害提供了具体的设计和政策影响,从而为保护儿童机器人陪伴提供了一个基于经验的共享责任框架。
2025-10-30 cs.RO
A Quality Diversity Approach to Automatically Generating Human-Robot Interaction Scenarios in Shared Autonomy
University of Southern California(南加州大学)
人类和机器人之间交互的规模和复杂性的增长突出了对新的计算方法的需求,以自动评估新的算法和应用。探索人类和机器人在模拟中交互的各种场景可以提高对机器人系统的理解,并避免在现实世界中出现潜在的代价高昂的故障。我们将这个问题描述为质量多样性(QD)问题,其目标是通过同时探索环境和人类行为来发现不同的故障场景。我们专注于共享自治域,其中机器人试图推断人类操作员的目标,并采用QD算法MAP-Elites生成两个已发布的算法在这一领域的场景:通过事后优化和线性策略混合共享自治。一些生成的场景证实了以前的理论发现,而另一些则令人惊讶,并带来了对最先进实现的新理解。我们的实验表明,MAP-Elites优于蒙特卡洛模拟和优化的方法,有效地搜索场景空间,突出了它的承诺,自动评估的算法在人机交互。
2021-06-21 cs.RO
Human Preferences and Robot Constraints Aware Shared Control for Smooth Follower Motion Execution
Nagoya University(名古屋大学);Technical University of Darmstadt(达姆施塔特工业大学)
本文提出一种考虑操作者偏好与从机约束的交替共享控制框架,通过结合手部位姿与机器人可操作性生成抓取位姿,实现手动与自动模式平滑切换,有效降低操作负荷并提升从机运动平滑度。
2023-07-31 cs.RO
Trust-Preserved Human-Robot Shared Autonomy enabled by Bayesian Relational Event Modeling
School of Electrical and Computer Engineering, Georgia Institute of Technology(电子与计算机工程学院,佐治亚理工学院);Department of Electronic and Computer Engineering, Hong Kong University of Science and Technology(电子与计算机工程系,香港科技大学)
本文提出基于贝叶斯关系事件建模的信任保留协同自主策略,通过动态推断人类信任提升人机协作效率与用户接受度。
2025-11-26 cs.RO
Design and Evaluation of an Augmented Reality Head-Mounted Display Interface for Human Robot Teams Collaborating in Physically Shared Manufacturing Tasks
Monash University(莫纳什大学);University of British Columbia(不列颠哥伦比亚大学)
我们提供了一个可穿戴的增强现实(AR)系统,我们已经开发的人类-机器人团队工作的任务,需要在共享的物理工作空间的实验评估。AR技术的最新进展已经促进了用于许多人机交互应用的更直观的用户界面的开发。虽然人们预计AR可以为机器人助手提供更直观的界面,帮助人类工人在各种制造场景中工作,但机器人技术的现有研究在很大程度上仅限于远程操作和编程。工业5.0设想人类和机器人在团队中合作。事实上,有许多工业任务可以从人机协作中受益。一个主要的例子是高价值复合材料制造。与我们的行业合作伙伴合作开发这个示例应用程序,我们评估了我们的AR界面设计,用于人类-机器人团队中的共享物理工作空间协作。我们使用建立指标对我们的界面进行了多维分析。我们的用户研究结果(n=26)表明,主观上,AR界面感觉更新颖,标准的操纵杆界面对用户来说感觉更可靠。然而,AR界面被发现可以减少物理需求和任务完成时间,同时提高机器人的利用率。此外,用户选择与机器人合作的自由度也可能影响系统的感知可用性。
2022-03-16 cs.RO
User-customizable Shared Control for Robot Teleoperation via Virtual Reality
Institute for Experiential Robotics (IER)(体验式机器人研究所(IER));Northeastern University(东北大学);Amazon(亚马逊公司)
该研究提出一种用户可定制的VR机器人遥操作共享控制方法,让用户可直接观察编辑仲裁参数,经两周用户实验验证,该方法在任务精准度与流畅度上优于直接遥操作和传统共享控制。
2024-08-14 cs.RO
Coordinated Multi-Robot Shared Autonomy Based on Scheduling and Demonstrations
University of Wisconsin–Madison(威斯康星大学麦迪逊分校);Idiap Research Institute(伊迪亚普研究院)
本文针对单操作员协调两台并行机器人的共享自主问题,提出基于示教学习和时间规整的调度方法,通过迭代估计修正需求并优化调度,减少操作员空闲并缩短打磨任务时间。
2023-10-25 cs.RO
Shared-Control Teleoperation of Omnidirectional Aerial Robots for Continuous Valve Rotation
The University of Tokyo(东京大学)
本研究针对全向空中机器人遥操作无法连续旋转阀门的问题,提出基于前臂角度阈值切换控制权的共享控制方法,实现了阀门连续旋转,推进了空中遥操作技术发展。
2026-10-14 cs.RO
Trajectory-Safe Orienteering for Human-Robot Shared Environments
Università di Trento(特伦托大学);University of Trento(特伦托大学)
本研究提出DeCoST方法,通过两阶段解耦离散-连续优化与服务时间引导轨迹,解决共享空间中带时间窗口和可变利润的定向问题,确保无碰撞轨迹并保持任务质量。
2026-09-29 cs.RO
Help or Hindrance: Understanding the Impact of Robot Communication in Action Teams
Department of Information Science at Cornell University(康奈尔大学信息科学系);Weill Cornell Medicine, Cornell University(韦尔医学院,康奈尔大学)
本研究通过实验室内医疗培训场景实验,探索行动团队中多模态机器人通信对工作负荷和人类感知的影响,发现特定线索组合能有效优化团队表现,为时间敏感环境下人机协作提供实践参考。
2025-06-24 cs.HC cs.RO
Shared Autonomy with Learned Latent Actions
Stanford University(斯坦福大学)
辅助机器人使残疾人能够独立完成日常工作。然而,这些任务可能是复杂的,包含粗到达运动和细粒度操纵。例如,当进食时,不仅需要移动到正确的食物项目,而且还必须以不同的方式精确地操纵食物(例如,切、刺、挖)。共享自治方法通过仲裁用户输入与机器人控制,使机器人遥操作更安全,更精确。然而,这些作品主要集中在从离散集合中达到目标的高级任务上,而在很大程度上忽略了在该目标下对对象的操作。与此同时,用于遥操作的降维技术将有用的高维机器人动作映射到直观的低维控制器中,但目前还不清楚这些方法是否可以达到进食等任务所需的精度。我们的观点是,通过将学习到的潜在动作的直观嵌入与共享自主的机器人协助相结合,我们可以实现精确的辅助操作。在这项工作中,我们通过提出一个新的模型结构,改变了人类的输入的意义上的机器人的信心的目标,通过学习潜在的行动共享自治。我们展示了机器人到最有可能的目标的距离上的收敛边界,并开发了一个训练过程来学习一个控制器,该控制器即使在存在共享自主权的情况下也能够在目标之间移动。我们评估我们的方法在模拟和吃用户的研究。点击这里观看我们的实验视频:https://youtu.be/7BouKojzVyk
2020-05-11 cs.RO
Hierarchical Planning and Policy Shaping Shared Autonomy for Articulated Robots
McGill University(麦吉尔大学);Simon Fraser University(西蒙菲莎大学)
本文提出一种面向关节型机器人的共享自主框架,结合分层规划、策略塑造和条件VAE建模人类内部状态,实现从完全自主到完全手动的滑动自主,并在伐木归堆机任务中验证了其对不同技能水平和噪声非合作人类的有效性。
2023-07-04 cs.RO
SARI: Shared Autonomy across Repeated Interaction
Virginia Tech(弗吉尼亚理工大学)
本文提出SARI算法,通过利用重复交互从头学习辅助策略,在不确定时返回控制权,实现对已知任务匹配现有方法、对新任务优于基线的共享自主。
2024-02-16 cs.RO
What Is My Robot Thinking? Design Considerations for Transparent and Trustworthy Shared Autonomy
Kahlert School of Computing, University of Utah(犹他大学计算学院);Robotics Center, University of Utah(犹他大学机器人中心)
通过用户实验研究共享自主系统中界面透明度(反馈模态和信息丰富度)对协调与信任的影响,发现反馈提高意图对齐、减少纠正干预,视觉优于听觉,信息丰富度偏好依赖任务复杂度,揭示完整信念分布并不一致提升对齐或信任。
2026-06-23 cs.RO
Situation Aware Locomotion for Dual Mobile Cobots in Shared Environments
Robotics and AI Lab, Technological University of Uruguay(乌拉圭科技大学机器人与人工智能实验室)
本文提出一种情境感知运动框架,通过感知、理解与投影建模,结合负载、机械臂及共享区域状态预测冲突,使双移动协作机器人在共享环境中实现100%任务成功率,优于基线方法。
2026-09-23 cs.RO
Towards Intent-Aware Human-Robot Teaming: A Platform for Search-and-Rescue Operations
本文提出一个交互平台,用于研究复杂动态环境中人类操作员与异构自主智能体的协作,支持意图推断与决策,并在搜索救援任务中验证自主系统对操作员感知、决策和行动的辅助程度。
2026-09-23 cs.RO
Inner Attention Supported Adaptive Cooperation for Heterogeneous Multi Robots Teaming based on Multi-agent Reinforcement Learning
人类可以根据不同的任务要求、其他人的能力和可用性选择性地关注不同的信息。因此,他们可以快速适应完全不同的复杂环境。如果机器人也能像人一样获得同样的能力,那将大大提高它们对新的和意想不到的情况的适应能力。近年来,异构多机器人协作的研究工作都在努力实现这种能力,如基于通信的方法和多模态信息融合策略。然而,这些方法不仅会遭受指数爆炸问题的机器人数量的增加,而且需要巨大的计算资源。为此,我们引入了一个内部注意力演员批评的方法,复制人类灵活的合作方面。通过将计算机视觉中的注意力机制、自然语言处理引入多机器人协作领域,我们的注意力方法能够动态地选择哪些机器人参与协作。为了验证该方法的有效性,设计了多个仿真实验.研究结果表明,内部注意力机制能够实现灵活的协作,降低救援任务的资源消耗。
2020-07-06 cs.RO
Human-Robot Interaction in a Shared Augmented Reality Workspace
UCLA Center for Vision, Cognition, Learning, and Autonomy (VCLA)(加州大学洛杉矶分校视觉、认知、学习与自主中心(VCLA))
我们设计和开发了一个新的共享增强现实(AR)工作空间的人机交互(HRI),它建立了一个双向的人类代理和机器人之间的通信。在原型系统中,共享的AR工作空间实现了共享感知,因此物理机器人不仅可以在自己的视图中感知虚拟元素,还可以通过感知人类代理的凝视和姿势来推断人类代理的效用-在AR中感知和交互所需的成本。这种新的HRI设计还提供了共享操作,其中物理机器人可以作为主动代理控制和更改AR中的虚拟对象;至关重要的是,机器人可以主动与人类代理交互,而不是纯粹被动地执行接收到的命令。在实验中,我们设计了一个资源收集游戏,定性地演示了机器人如何感知,处理和操纵AR和定量评估HRI的功效使用共享的AR工作空间。我们进一步讨论了该系统如何可能有利于未来的HRI研究,否则具有挑战性。
2020-12-09 cs.HC cs.RO
Effect of Adapting to Human Preferences on Trust in Human-Robot Teaming
University of Michigan(密歇根大学);Air Force Research Laboratory(空军研究实验室);Miami Herbert Business School(迈阿密赫伯特商学院)
研究通过贝叶斯逆向强化学习使人机协作中的机器人实时适应人类偏好,提出三种交互策略,发现自适应学习策略能显著提升人类对机器人的信任度。
2023-09-11 cs.RO
Robot Inner Attention Modeling for Task-Adaptive Teaming of Heterogeneous Multi Robots
Kent State University(肯特州立大学)
由于团队规模和功能的多样性,异构多机器人系统(HMRS)被广泛应用于灾难搜救、现场监控、社会安全等复杂大规模场景,其中多个具有不同功能和数量的机器人协调执行任务。然而,由于各种任务的要求,它是具有挑战性的,准确地组成一个机器人团队具有适当的大小和功能,以动态地满足任务的需要,同时限制机器人资源成本到一个较低的水平。针对这一问题,提出了一种新的自适应协作方法--内部注意力(innerATT),使异构机器人能够根据任务类型和环境变化灵活地协作执行任务。innerATT是通过将一种新的注意力机制集成到多智能体演员-评论家强化学习架构中而设计的。通过注意力机制,将分析机器人的能力,以灵活地形成团队,以满足任务要求。设计了具有不同任务多样性(“单任务”、“双任务”和“混合任务”)的场景。在柔性协作中的准确性验证了innerATT的有效性。
2021-03-14 cs.RO
A 3D Mixed Reality Interface for Human-Robot Teaming
ETH Zürich(苏黎世联邦理工学院);Microsoft Mixed Reality Lab(微软混合现实实验室)
本研究提出一种混合现实人机协作系统,含实时多智能体视觉SLAM建图与拖放式控制模块,可实现非视距机器人定位、3D地图叠加可视化及远程位姿控制,经用户研究和实部署验证,相关应用已开源。
2023-10-03 cs.RO
Designs for Enabling Collaboration in Human-Machine Teaming via Interactive and Explainable Systems
MIT Lincoln Laboratory(麻省理工学院林肯实验室);The University of Texas at Austin(德克萨斯大学奥斯汀分校);Georgia Institute of Technology(佐治亚理工学院)
针对基于学习的HMT方法脆弱且缺乏协同的问题,提出支持迭代混合主动团队开发的方法,允许用户交互式重编程可解释AI队友,发现白盒交互修改能促进团队发展,黑盒更易训练,揭示了可解释性与训练易用性的权衡。
2024-11-17 cs.HC cs.RO
Balancing Shared Autonomy with Human-Robot Communication
Paul G. Allen School of Computer Science and Engineering, University of Washington(保罗·G·艾伦计算机科学与工程学院,华盛顿大学)
与人类共享自主权的机器人代理应该利用人类的领域知识,并在完成任务时考虑他们的偏好。这些额外的知识可以大大提高计划效率和用户满意度,但如果与机器人沟通是繁重和不自然的,这些好处就会失去。在本文中,我们将展示如何通过共享自主权的镜头来观察humanrobot语言,解释了人类在决定如何合作和明确地做出指示时所做的效率与认知负荷权衡。
2018-05-20 cs.CL cs.RO
A Barrier Pair Method for Safe Human-Robot Shared Autonomy
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
共享自治提供了一个框架,其中人类和自动化系统(如机器人)共同控制系统的行为,从而为各种应用(包括人机交互)提供有效的解决方案。然而,在共享自治的一个具有挑战性的问题是安全性,因为人类的输入可能是未知的和不可预测的,这影响了机器人的安全约束。如果人类输入是通过与机器人的物理接触施加的力,它也会改变机器人的行为以保持安全。我们提出了一个两层的控制框架,以解决在实时应用程序中的共享自治的安全问题。在第一层中,我们使用人类输入测量的历史来推断人类希望机器人做什么,并根据该推断来定义机器人的安全约束。在第二层中,我们制定了一个快速探索的随机树的障碍对,与每个障碍对组成的障碍函数和控制器。使用这些屏障对中的控制器,机器人能够在人类输入的干预下保持其安全操作。该控制框架允许机器人帮助人类,同时防止他们遇到安全问题。我们证明了所提出的控制框架上的两连杆机械手机器人的模拟。
2021-12-01 cs.RO math.OC
Legible Shared Autonomy: Implicit Communication of Robot Belief through Motion
Department of Automation, University of Science and Technology of China(自动化系,中国科学技术大学);Department of Automation, Hefei University of Technology(自动化系,合肥工业大学);National Key Laboratory of Autonomous Intelligent Unmanned Systems(自主智能无人系统国家重点实验室)
针对共享自主系统中机器人意图不透明导致用户控制效率低的问题,提出通过可理解运动隐式传达机器人信念,并基于置信度自适应分配控制权,实验证明该方法显著提升用户对机器人信念的理解并减少控制负担。
2026-07-16 cs.HC cs.RO
Experimental Assessment of Human-Robot Teaming for Multi-Step Remote Manipulation with Expert Operators
Massachusetts Institute of Technology(麻省理工学院)
人工控制的远程机器人操作使安全和环境约束对人类不利的应用(例如水下,空间机器人和灾难响应)或任务的复杂性需要人类水平的认知和灵巧性(例如机器人手术和制造)。这些系统通常在运动层面使用直接遥操作,并且通常限于低自由度手臂和2D感知。提高灵活性和态势感知需要新的交互和规划工作流程。我们探索了通过远程自主与辅助规划来远程控制双臂灵巧机器人执行多步操作任务的人机合作,并进行了受试者内实验评估(n = 12名专家用户)将其与其他方法进行比较,得出以下四种情况:(A)模拟控制器+2D感知的直接遥操作,(B)条件A +3D感知,(C)Teleautonomy接口遥操作+2D和3D感知,(D)条件C+辅助规划。结果表明,这种方法(D)实现了与直接遥操作(A,B)相当的任务时间,同时改善了许多其他客观和主观指标,包括重新抓取,碰撞和TLX工作负载指标。与类似的界面相比,但删除了辅助计划(C),D减少了任务时间,并消除了与操作员专业水平的重要交互,从而在用户之间实现了性能均衡。
2020-11-22 cs.RO
Reactive Task Allocation and Planning for Quadrupedal and Wheeled Robot Teaming
Georgia Institute of Technology(佐治亚理工学院);Georgia Tech Research Institute(佐治亚理工研究院);UBTECH North America Research and Development Center Corporation(优必选北美研发中心有限公司)
本文采取的第一步,反应,分层多机器人任务分配和规划框架给出了一个全球性的线性时序逻辑规范。四足机器人和轮式机器人的能力通过异构团队来实现各种导航和交付任务。然而,当部署在现实世界中时,所有机器人都容易受到不同类型的干扰,包括但不限于运动故障,人为干预和环境障碍。为了解决这些干扰,我们提出了任务级的局部和全局重新分配策略,以有效地在线生成更新的动作状态序列,同时保证完成原始任务。这些任务重新分配方法消除了重建整个计划或重新合成新任务的过程。为了将任务规划器与低层输入相结合,行为树执行层监视不同类型的干扰,并采用重新分配方法来制定相应的恢复策略。为了评估这个规划框架,动态仿真进行了一个现实的医院环境中的异构机器人团队组成的四足和轮式机器人交付任务。
2022-06-21 cs.RO
Understanding Shared Control for Assistive Robotic Arms
Westphalian University of Applied Sciences(威斯特伐利亚应用科学大学);University of Duisburg-Essen(杜伊斯堡-埃森大学)
独立于人类照顾者或完全自主的机器人,过着自主的生活,是运动障碍者维护人类尊严和自我价值的关键因素。辅助机器人解决方案-特别是机器人手臂-经常被部署在家庭护理中,使运动障碍患者能够独立执行ADL。然而,虽然辅助机器人手臂可以帮助他们执行ADL,但由于需要一次控制多个DoF和必要的模式切换,目前可用的控制非常复杂和耗时。这项工作概述了辅助机器人手臂的共享控制方法,旨在提高运动障碍人士的易用性。我们确定了未来研究的三个主要要点:少即是多,挑选和放置事项,以及沟通意图。
2023-03-03 cs.HC cs.RO
Active Trust Management for Successful Human-Robot Teaming: Moving from a Trust Repair to a Trust Satisficing Perspective
探讨人机协作中信任管理问题,提出从信任修复到信任满意的视角,给出含信任代理指标在线测量、机器人行为闭环自适应等的信任管理框架,通过相关实验及新度量为成功人机协作提供前提。
2026-07-16 cs.RO
Robot Assisted Tower Construction - A Resource Distribution Task to Study Human-Robot Collaboration and Interaction with Groups of People
Cornell University(康奈尔大学);Robinhood(罗宾汉);RoBotany(机器人植物学)
人类与机器人协作或人类与机器人合作的研究主要集中在理解和实现单个机器人与单个人类之间的协作。将人机协作研究扩展到二元体之外,提出了关于机器人如何在组成员之间分配资源以及分配的社会和任务相关后果的新问题。需要方法上的进步,使研究人员能够收集有关涉及多人的人类机器人协作的数据。本文介绍了塔建设,一种新的资源分配任务,允许研究人员检查机器人和人群之间的协作。通过关注机器人的资源分配(建筑任务所需的木块)是否以及如何影响协作动态和结果的问题,我们提供了一个案例,说明如何在实验室研究中应用该任务,其中有124名参与者收集有关涉及多个人类的人类机器人协作的数据。我们强调了任务可以产生的各种见解。特别是,我们发现,资源的分配会影响性能的看法,和人类团队成员之间的人际动态。
2018-12-22 cs.HC cs.RO
Proficiency Constrained Multi-Agent Reinforcement Learning for Environment-Adaptive Multi UAV-UGV Teaming
Kent State University(肯特州立大学)
空中和地面混合机器人团队,包括无人地面车辆(UGV)和无人机(UAV),广泛用于灾难救援,社会保障,精准农业和军事任务。然而,由于机器人具有不同的运动速度、感知范围、到达区域和对动态环境的弹性能力,因此团队能力和相应的配置有所不同。由于团队中机器人的异质性和机器人的弹性能力,在合理的任务分配和机器人能力的最大利用之间实现最佳平衡是具有挑战性的。为了解决这一挑战,有效的混合地面和空中组队,本文开发了一种新的组队方法,熟练感知多智能体深度强化学习(Mix-RL),通过考虑机器人能力,任务要求和环境条件之间的最佳对齐来指导地面和空中合作。Mix-RL在很大程度上利用了机器人的能力,同时意识到机器人能力对任务要求和环境条件的适应。Mix-RL在指导混合组队方面的有效性通过任务“犯罪车辆跟踪的社会保障”进行了验证。
2021-06-29 cs.AI cs.RO
Human-Robot Red Teaming for Safety-Aware Reasoning
University of Michigan(密歇根大学);NASA Johnson Space Center(NASA约翰逊航天中心)
针对机器人安全任务执行研究不足的问题,提出人机红队演练范式,通过人机协作探索危险空间,实现安全感知推理,并在月球栖息地和家庭环境中验证了其可行性与信任促进效果。
2025-08-02 cs.AI cs.RO
Trust, Shared Understanding and Locus of Control in Mixed-Initiative Robotic Systems
University of Birmingham(伯明翰大学);National Center for Nuclear Robotics(国家核机器人中心)
本文研究了如何信任,人类操作员和机器人之间的共享理解,控制点(LoC)的个性特质,发展和影响人机交互(HRI)在混合主动机器人系统。随着这些系统变得越来越先进,能够与人类操作员一起采取行动,机器人将从被视为工具转变为队友。因此,本文研究的团队导向的人的因素(即信任,共享的理解,和LoC)可以在高效的HRI中发挥至关重要的作用。在这里,我们提出了一个实验的结果,灵感来自灾难响应的情况下,操作员远程控制移动机器人在导航任务,无论是人类主动或混合主动控制,两个不同层次的自主权之间动态切换:遥控操作和自主导航。有证据表明,操作员信任并了解机器人系统,特别是在混合主动控制中,随着操作员对系统的熟悉程度和执行任务的能力的提高,信任和理解会随着时间的推移而增加。最后,证据和见解的LoC如何影响HRI。
2022-05-15 cs.HC cs.RO
Shared Affordance-awareness via Augmented Reality for Proactive Assistance in Human-robot Collaboration
本文提出一种增强现实框架,通过共享可负担性感知表示促进人机协作中的主动辅助,并在家务清洁任务中验证其潜力。
2023-12-20 cs.HC cs.RO
Why Cognitive Robotics Matters: Lessons from OntoAgent and LLM Deployment in HARMONIC for Safety-Critical Robot Teaming
Rensselaer Polytechnic Institute(伦斯勒理工学院);University of Georgia(佐治亚大学);University of Texas at Austin(德克萨斯大学奥斯汀分校)
研究探讨了在物理世界部署具身体AI代理所需的认知能力,通过HARMONIC架构评估LLM是否能复制OntoAgent的认知能力,发现LLM在知识状态评估上存在缺陷。
2026-03-20 cs.RO
Demonstrating Performance Benefits of Human-Swarm Teaming
University of Southampton(南安普顿大学)
自主机器人群可以为搜索和救援等安全关键任务带来鲁棒性,可扩展性和适应性,但其应用仍然非常有限。使用人工控制的半自主群可以将机器人群带到现实世界的应用中。人类操作员可以为群体定义目标,监控他们的表现,干涉或否决他们的决定和行为。我们提出了“人类和机器人互动群”模拟器(HARIS),允许多用户与机器人群进行交互,并通过模拟机器人群完成任务,从包裹递送到搜索和救援,促进定性和定量的用户研究,具有不同程度的人类控制。在这个演示中,我们展示了模拟器,通过使用它来研究通过在一个完全自主的系统上保持“人在回路中”所提供的性能增益。这一点在搜索和救援方面得到了说明,并自主地向有需要的人分配资源。
2023-03-23 cs.RO
Demonstrating HumanTHOR: A Simulation Platform and Benchmark for Human-Robot Collaboration in a Shared Workspace
Tsinghua University(清华大学);Fuzhou University(福州大学);Beijing University of Posts and Telecommunications(北京邮电大学)
本文提出 HumanTHOR 具身仿真平台,通过 VR 支持共享工作空间中的人在回路人机协作,并构建日常任务基准与用户研究,验证其可有效评估不同机器人算法能力,为未来 HRC 研究提供基础。
2024-06-10 cs.HC cs.RO